Attributed network embedding has attracted plenty of interest in recent years. It aims to learn task-independent, low-dimensional, and continuous vectors for nodes preserving both topology and attribute information. Most of the existing methods, such as random-walk based methods and GCNs, mainly focus on the local information, i.e., the attributes of the neighbours. Thus, they have been well studied for assortative networks (i.e., networks with communities) but ignored disassortative networks (i.e., networks with multipartite, hubs, and hybrid structures), which are common in the real world. To model both assortative and disassortative networks, we propose a block-based generative model for attributed network embedding from a probability perspective. Specifically, the nodes are assigned to several blocks wherein the nodes in the same block share the similar linkage patterns. These patterns can define assortative networks containing communities or disassortative networks with the multipartite, hub, or any hybrid structures. To preserve the attribute information, we assume that each node has a hidden embedding related to its assigned block. We use a neural network to characterize the nonlinearity between node embeddings and node attributes. We perform extensive experiments on real-world and synthetic attributed networks. The results show that our proposed method consistently outperforms state-of-the-art embedding methods for both clustering and classification tasks, especially on disassortative networks.

近年来，属性网络嵌入引起了很多兴趣。它旨在为节点学习与任务无关、低维和连续的向量，同时保留拓扑和属性信息。大多数现有方法，例如基于随机游走的方法和 GCN，主要关注本地信息，即邻居的属性。因此，它们对分类网络（即具有社区的网络）进行了很好的研究，但忽略了现实世界中常见的非分类网络（即具有多方、集线器和混合结构的网络）。为了对分类和非分类网络进行建模，我们从概率的角度提出了一种基于块的生成模型，用于属性网络嵌入。具体来说，节点被分配到几个块，其中同一块中的节点共享相似的链接模式。这些模式可以定义包含社区的分类网络或具有多方、枢纽或任何混合结构的分类网络。为了保留属性信息，我们假设每个节点都有一个与其分配的块相关的隐藏嵌入。我们使用神经网络来表征节点嵌入和节点属性之间的非线性。我们对现实世界和合成属性网络进行了广泛的实验。结果表明，我们提出的方法在聚类和分类任务方面始终优于最先进的嵌入方法，尤其是在非分类网络上。这些模式可以定义包含社区的分类网络或具有多方、枢纽或任何混合结构的分类网络。为了保留属性信息，我们假设每个节点都有一个与其分配的块相关的隐藏嵌入。我们使用神经网络来表征节点嵌入和节点属性之间的非线性。我们对现实世界和合成属性网络进行了广泛的实验。结果表明，我们提出的方法在聚类和分类任务方面始终优于最先进的嵌入方法，尤其是在非分类网络上。这些模式可以定义包含社区的分类网络或具有多方、枢纽或任何混合结构的分类网络。为了保留属性信息，我们假设每个节点都有一个与其分配的块相关的隐藏嵌入。我们使用神经网络来表征节点嵌入和节点属性之间的非线性。我们对现实世界和合成属性网络进行了广泛的实验。结果表明，我们提出的方法在聚类和分类任务方面始终优于最先进的嵌入方法，尤其是在非分类网络上。我们使用神经网络来表征节点嵌入和节点属性之间的非线性。我们对现实世界和合成属性网络进行了广泛的实验。结果表明，我们提出的方法在聚类和分类任务方面始终优于最先进的嵌入方法，尤其是在非分类网络上。我们使用神经网络来表征节点嵌入和节点属性之间的非线性。我们对现实世界和合成属性网络进行了广泛的实验。结果表明，我们提出的方法在聚类和分类任务方面始终优于最先进的嵌入方法，尤其是在非分类网络上。